ps:具体Kafka Flumn SparkStreaming的使用  参考前几篇博客

2.4.6.4.1 配置启动Kafka

(1) 在slave机器上配置broker

1) 点击CDH上的kafka进入kafka功能界面,切换到实例页签,点击下方的“添加角色实例”进入添加角色实例界面。

2) 进入添加角色界面,点击Kafka Broker下面的选择主机

3) 进入选择主机界面,将主机全选,之后点击确定

(2) 启动Kafka

(3) 创建主题,主题名为井名,有几个井创建几个对应的主题。

进入kafka的安装目录,公司环境安装地址为/opt/cloudera/parcels/KAFKA-3.1.1-1.3.1.1.p0.2/lib/kafka ,运行下面语句:

bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 1 --topic topic-name

2.4.6.4.2 配置启动Flumn
2.4.6.4.2.1 配置Flumn

(1) 编写配置

Kafka配置了主题,每个主题配置一组sources、sinks、channels。每组配置中,tier1.sources.r1.spoolDir 设置为对应井深数据存放的文件夹、tier1.sinks.k1.topic设置为对应的主题名。下面是两个主题对应的设置,将上述提到的配置做相应修改就可用。

#配置一个agent,agent的名称可以自定义(如a1)

#指定agent的sources(如r1、r2)、sinks(如k1、k2)、channels(如c1、c2)

tier1.sources=r1 r2

tier1.sinks=k1 k2

tier1.channels=c1 c2

#描述source r1

#配置目录scource

#配置监控的目录,当目录出现新文件时会进行写入

tier1.sources.r1.type = spooldir

tier1.sources.r1.spoolDir =/var/flumefile

tier1.sources.r1.channels=c1

#配置数据源输出

#设置Kafka接收器,此处最坑,注意版本,此处为Flume 1.6.0的输出槽类型

tier1.sinks.k1.type= org.apache.flume.sink.kafka.KafkaSink

#设置Kafka的broker地址和端口号

tier1.sinks.k1.brokerList=master:9092

#设置Kafka的Topic

tier1.sinks.k1.topic=topic-test

#设置序列化方式

tier1.sinks.k1.serializer.class=kafka.serializer.StringEncoder

tier1.sinks.k1.channel=c1

#配置channels类型为 File

tier1.channels.c1.type=memory

tier1.channels.c1.capacity=10000

tier1.channels.c1.transactionCapacity=100

#描述source r1

#配置目录scource

#配置监控的目录,当目录出现新文件时会进行写入

tier1.sources.r2.type = spooldir

tier1.sources.r2.spoolDir =/var/flumefile2

tier1.sources.r2.channels=c2

#配置数据源输出

#设置Kafka接收器,此处最坑,注意版本,此处为Flume 1.6.0的输出槽类型

tier1.sinks.k2.type= org.apache.flume.sink.kafka.KafkaSink

#设置Kafka的broker地址和端口号

tier1.sinks.k2.brokerList=master:9092

#设置Kafka的Topic

tier1.sinks.k2.topic=test

#设置序列化方式

tier1.sinks.k2.serializer.class=kafka.serializer.StringEncoder

tier1.sinks.k2.channel=c2

#配置channels类型为 File

tier1.channels.c2.type=memory

tier1.channels.c2.capacity=10000

tier1.channels.c2.transactionCapacity=100

(2) 设置Flumn参数

1) 进入Flumn配置界面。

2) 将步骤1的配置粘贴到配置文件(Agent Default Group)

3) 配置代理名称,与配置文件中的命名相同

4) 启动Flumn

2.4.6.4.2.2 解决Flumn整合Kafka jar包版本问题

(1) 将Kafka主目录lib下的如下jar拷贝至Flume的lib目录下,并将Flume原本对应其 他版本jar删除。

kafka_2.10-0.8.2.1.jar、kafka-clients-0.8.2.1.jar、jopt-simple-3.2.jar、 metrics-core-2.2.0.jar、   scala-library-2.10.4.jar、zkclient-0.3.jar等

(2) 下载flume、kafka插件包,flumeng-kafka-plugin.jar并将其放到Flume的lib目录下。

2.4.6.4.3 编写sparkStearing

用sparkStearing作为消费者对Kafka的消息进行消费。

2.4.6.4.3.1 引入jar包

在pom.xml文件中添加下面代码,引入jar包

<dependency>

<groupId>org.apache.spark</groupId>

<artifactId>spark-streaming-kafka-0-10_2.11</artifactId>

<version>2.3.1</version>

</dependency>

</dependencies>

2.4.6.4.3.2 代码编写

代码编写参考Spark集成Kafka API

Url:http://spark.apache.org/docs/latest/streaming-kafka-0-10-integration.html

// broker地址,可写多个“,”分隔

String brokers = "master:9092";

SparkConf conf = new SparkConf().setMaster("local[*]").setAppName("streamingKafka");

JavaSparkContext sc = new JavaSparkContext(conf);

sc.setLogLevel("WARN");

JavaStreamingContext ssc = new JavaStreamingContext(sc, Durations.seconds(10));

// kafka相关参数,必要!缺了会报错

Map<StringObject> kafkaParams = new HashMap<>();

kafkaParams.put("bootstrap.servers", brokers);

kafkaParams.put("key.deserializer", StringDeserializer.class);

kafkaParams.put("value.deserializer", StringDeserializer.class);

kafkaParams.put("group.id", "cloudera_mirrormaker");

// Topic分区 也可以通过配置项实现

// 如果没有初始化偏移量或者当前的偏移量不存在任何服务器上,可以使用这个配置属性

// earliest 当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,从头开始消费

// latest 当各分区下有已提交的offset时,从提交的offset开始消费;无提交的offset时,消费新产生的该分区下的数据

// none topic各分区都存在已提交的offset时,从offset后开始消费;只要有一个分区不存在已提交的offset,则抛出异常

kafkaParams.put("auto.offset.reset", "latest");

// 如果是使用spark-streaming-kafka-0-10,那么我们建议将enable.auto.commit设为false。

// 这个配置只是在这个版本生效,enable.auto.commit如果设为true的话,那么意味着offsets会按照auto.commit.interval.ms中所配置的间隔来周期性自动提交到Kafka中。

// 在Spark Streaming中,将这个选项设置为true的话会使得Spark应用从kafka中读取数据之后就自动提交,

// 而不是数据处理之后提交,这不是我们想要的。所以为了更好地控制offsets的提交,我们建议将enable.auto.commit设为false。

kafkaParams.put("enable.auto.commit", false);

// 设置消费的topic

Collection<String> topicsColl = Arrays.asList("topic-test", "test");

// 获取DStream

JavaInputDStream<ConsumerRecord<StringString>> lines = KafkaUtils.createDirectStream(ssc,

LocationStrategies.PreferConsistent(), ConsumerStrategies.Subscribe(topicsColl, kafkaParams));

// 遍历JavaInputDStream的到RDD

lines.foreachRDD(rdd -> {

// 遍历RDD得到每一列的信息

rdd.foreach(x -> {

// 获取行

String value = x.value();

// 获取需要保存的每一行的信息

String[] split = value.split(";");

// 判断是否为保存数据需要的格式

// 保存offset,保证每次获取新数据

//获取偏移量

OffsetRange[] offsetRanges = ((HasOffsetRanges) rdd.rdd()).offsetRanges();

 //保存偏移量到Kafka

((CanCommitOffsets) lines.inputDStream()).commitAsync(offsetRanges);

});

ssc.start();

try {

ssc.awaitTermination();

catch (InterruptedException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

2.4.6.4.3.3 获取数据的格式

会将得到批数据封装成一个RDD,RDD里面存放着ConsumerRecord<String, String>,每一个ConsumerRecord<String, String>对应数据文件中的一行。数据格式为:

ConsumerRecord(

topic = test,

partition = 0,

offset = 547,

CreateTime = 1558419603357,

checksum = 890333719,

serialized key size = -1,

serialized value size = 92,

key = null,

value = 对应该行的数据

2.4.6.4.4 数据获取和持久化遇到的问题

(1) 一个文件夹对应一个Topic,SparkSsteaming获取多个topic数据的时候,是并发获取的,每个topic一个线程。

(2) 一个topic对应的文件夹放入多个文件,SparkSteaming会按照文件放入顺序,单线程获取数据。

(3) SparkSteaming会将一批数据封装成RDD,调用RDD.foreach()遍历时,数据处理的代码不能包含外部变量,并且不能调用外部方法。否则会报不可序列化的异常。

kafka flumn sparkstreaming java实现监听文件夹内容保存到Phoenix中的更多相关文章

  1. 使用Node.JS监听文件夹变化

    使用Node.JS监听文件夹改变有许多应用场合,比如: 构建自动编绎工具 当源文件改变时,自动运行build过程,比如当你写CoffeeScript文件或SASS CSS文件时,保存之后可即时生成对应 ...

  2. nodejs 监听文件夹变化的模块

    使用Node.JS监听文件夹变化 fs.watch 其中Node.JS的文件系统也可侦听某个目录的改变, 如fs.watch   其中fs.watch的最大缺点就是不支持子文件夹的侦听,并且在很多情况 ...

  3. c# 监听文件夹动作

    static FileSystemWatcher watcher = new FileSystemWatcher(); /// <summary>        /// 初始化监听     ...

  4. Java实现Qt的SIGNAL-SLOT机制(保存到Map中,从而将它们关联起来,收到信号进行解析,最后反射调用)

    SIGNAL-SLOT是Qt的一大特色,使用起来十分方便.在传统的AWT和Swing编程中,我们都是为要在 监听的对象上添加Listener监听器.被监听对象中保存有Listener的列表,当相关事件 ...

  5. Java_监听文件夹或者文件是否有变动

    package org.testWatch.Watch; import java.nio.file.FileSystems; import java.nio.file.Path; import jav ...

  6. Java_监听器监听文件夹变动

    package demo4; import java.io.IOException;import java.nio.file.FileSystems;import java.nio.file.Path ...

  7. inotify监听文件夹的变动

    inotify只能监控单层目录变化,不能监控子目录中的变化情况.如果需要监控子目录,需要在调用inotify_add_watch(int fd, char *dir, int mask):int建立监 ...

  8. java 监听文件或文件夹变化

    今天遇到一个新需求,当从服务器下载文件后用指定的本地程序打开,不知道何时文件下载完成,只能考虑监听文件夹,当有新文件创建的时候打开指定程序. 在此给出一个完整的下载和打开过程: 1.下载文件 jsp页 ...

  9. 如何使用NodeJs来监听文件变化

    1.前言 在我们调试修改代码的时候,每修改一次代码,哪怕只是很小的修改,我们都需要手动重新build文件,然后再运行代码,看修改的效果,这样的效率特别低,对于开发者来说简直不能忍. 2.构建自动编译工 ...

随机推荐

  1. Codeforces 1108F(克鲁斯卡尔的理解)

    最小生成树会多样的情况是:两个或多个边等长且连通同样的两个并查集块. 所以可以跑一遍克鲁斯卡尔,每次把当前等长的边数出来,注意不要边找边并查,因为有一部分边是正常跑生成树我们也不会要他的,这种直接跳了 ...

  2. KMP算法笔记(云笔记图片版)

  3. DFS水题 URAL 1152 False Mirrors

    题目传送门 /* 题意:一个圈,每个点有怪兽,每一次射击能消灭它左右和自己,剩余的每只怪兽攻击 搜索水题:sum记录剩余的攻击总和,tot记录承受的伤害,当伤害超过ans时,结束,算是剪枝吧 回溯写挫 ...

  4. Problem D: 勤奋的涟漪2 dp + 求导

    http://www.gdutcode.sinaapp.com/problem.php?cid=1049&pid=3 dp[i][state]表示处理了前i个,然后当前状态是state的时候的 ...

  5. C#中构造函数和析构函数区别

    把对象的初始化工作放在构造函数中,把清除工作放在析构函数中.当对象被创建时,构造函数被自动执行.当对象消亡时,析构函数被自动执行.这样就不用担心忘记对象的初始化和清除工作. 析构函数是由垃圾回收器控制 ...

  6. 001.JS特效

    一.Js实现单行文本的滚动 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http ...

  7. tcpdump 使用详解——转载

    http://www.cnblogs.com/ggjucheng/archive/2012/01/14/2322659.html 简介 用简单的话来定义tcpdump,就是:dump the traf ...

  8. PMP项目管理学习笔记(4)——项目整合管理

    六个整合管理过程. 1.制定项目章程 一个新项目要完成的第一件事,就是项目章程的制定.这是授权你开展工作的文档.不过并不总是需要你介入,通常情况下会由赞助人交给你.如果没有项目章程,你就没有权利告诉你 ...

  9. mysql use index() 优化查询

    mysql use index() 优化查询 FORCE INDEX/IGNORE INDEX 的语法: SELECT *** FROM TABLE [{USE|IGNORE|FORCE} INDEX ...

  10. redis源码分析之事务Transaction(下)

    接着上一篇,这篇文章分析一下redis事务操作中multi,exec,discard三个核心命令. 原文地址:http://www.jianshu.com/p/e22615586595 看本篇文章前需 ...